La tabla muestra cómo la población ha ido incrementando a lo largo de los años en la mayoría de estos países, y además, destaca que no hay una relación directa entre el tamaño del área del país y el crecimiento poblacional.

La tabla proporciona una visión detallada de la población de diferentes naciones, lo que permite identificar patrones y tendencias en su crecimiento demográfico. Al señalar que la población no está directamente relacionada con el área, sugiere que factores adicionales, como la densidad de población, el desarrollo económico o la migración, podrían estar influyendo en el crecimiento poblacional de cada país.

library(tidyverse)
library(plotly)
library(janitor)
library(zoo)
library(hrbrthemes)

Datos

Acci_Barranquilla <- read_delim("Accidentalidad_en_Barranquilla.csv",delim = ";", 
                             escape_double = FALSE, trim_ws = TRUE) %>% clean_names() %>%
mutate(dia_accidente = ifelse(dia_accidente == "Lun", "Lunes", dia_accidente),
                             dia_accidente = ifelse(dia_accidente == "Mar", "Martes", dia_accidente),
                             dia_accidente = ifelse(dia_accidente == "Mié", "Miercoles", dia_accidente),
                             dia_accidente = ifelse(dia_accidente == "Jue", "Jueves", dia_accidente),
                             dia_accidente = ifelse(dia_accidente == "Vie", "Viernes", dia_accidente),
                             dia_accidente = ifelse(dia_accidente == "Sáb", "Sabado", dia_accidente),
                             dia_accidente = ifelse(dia_accidente == "Dom", "Domingo", dia_accidente))
head(Acci_Barranquilla, 10)

Accidentes desde 2015 - 2023

Analisis de la población de Colombia(Rank 28) desde el año 2000 hasta el año 2022 comparado con India y North Korea(Rank 1 y 56).

accidentes_año <- Acci_Barranquilla %>% select(ano_accidente, gravedad_accidente, clase_accidente) %>% 
                                 group_by(ano_accidente) %>% 
                                 summarise(cantidad_accidentes = n())

acc_año_g <- ggplot(accidentes_año, aes(x = ano_accidente, y = cantidad_accidentes))+
                    geom_line(color="#69b3a2")+
                    geom_point(shape=21, color="white", fill="#69b3a2", size=3) +
                    theme_ipsum() +
                    ggtitle("Accidentes 2015 - 2023")+
                    xlab("Años")+
                    ylab("Cantidad de Accidentes")

ggplotly(acc_año_g)

Porcentaje de la gravedad de los accidentes

Analisis de la poblacion de Colombia(Rank 28) desde el año 2000 hasta el año 2050 comparado con Argentina y Venezuela(Rank 33 y 52).

heridos <- Acci_Barranquilla %>% select(gravedad_accidente) %>% 
  group_by(gravedad_accidente) %>% 
  summarise(cantidad = n(), porcentaje = (cantidad/43205 * 100))

heridos_g <- ggplot(heridos, aes(x = "", y = porcentaje , fill = gravedad_accidente))+
  geom_bar(stat = "identity", color = "white")+
  theme_ipsum()


ggplotly(heridos_g)

Nuemero de accidentes por gravedad en los años

num_heridos_año <- Acci_Barranquilla %>% select(ano_accidente, gravedad_accidente) %>% 
                                         group_by(ano_accidente, gravedad_accidente) %>% 
                                         summarise( n = n())

acc_her_año_g <- ggplot(num_heridos_año, aes(x = ano_accidente, y = n , color = gravedad_accidente))+
  geom_line()+
  geom_point()+
  theme_ipsum()
ggplotly(acc_her_año_g)

Numero de accidentes por clase desde 2015

num_clase_año <- Acci_Barranquilla %>% select(ano_accidente, clase_accidente) %>% 
  group_by(ano_accidente, clase_accidente) %>% 
  summarise( n = n())

acc_clase_año_g <- ggplot(num_clase_año, aes(x = ano_accidente, y = n , color = clase_accidente))+
  geom_line()+
  geom_point()+
  theme_ipsum()

ggplotly(acc_clase_año_g)

Cantidad de accidentes por mes del año 2022

can_acc_mes_22 <- Acci_Barranquilla %>% 
                  select(ano_accidente, mes_accidente) %>%
                  group_by(ano_accidente, mes_accidente) %>% 
                  summarise(cantidad = n()) %>% 
                  filter(ano_accidente == 2022) %>% 
                  arrange(mes_accidente)
#ordenar meses del año
can_acc_mes_22$mes_accidente <- factor(can_acc_mes_22$mes_accidente, levels = c("enero","febrero","marzo","abril","mayo","junio","julio","agosto","septiembre","octubre","noviembre","diciembre")) 

can_acc_mes_22_g <- ggplot(can_acc_mes_22, aes( x = mes_accidente, y = cantidad, fill = mes_accidente))+
  geom_bar(stat = "identity", width=0.5)+
  theme(legend.position="none")+
  theme_ipsum() +
  theme(
    panel.grid.minor.x = element_blank(),
    panel.grid.major.x = element_blank(),
    legend.position="none",
    axis.text.x = element_text(angle = 80, hjust=1))+
  xlab("")+
  ylab("Cantidad")

ggplotly(can_acc_mes_22_g)

Numero de accidentes por dias de la semana

acc_sem <- Acci_Barranquilla %>% select(ano_accidente, dia_accidente) %>% 
                                 group_by(dia_accidente) %>% 
                                 summarise( cantidad = n()) 

acc_sem$dia_accidente <- factor(acc_sem$dia_accidente, levels = c("Lunes","Martes","Miercoles","Jueves","Viernes","Sabado","Domingo"))

acc_sem_g <- ggplot(acc_sem, aes(x = dia_accidente, y = cantidad , fill = dia_accidente))+
                      geom_bar(stat = "identity", width=0.5)+
  theme(legend.position="none")+
  theme_ipsum()+
  theme(
    panel.grid.minor.x = element_blank(),
    panel.grid.major.x = element_blank(),
    legend.position="none")+
  xlab("")+
  ylab("Cantidad")+
  coord_flip()

ggplotly(acc_sem_g)

Numero de accidentes en dias de la semana por año(desde el año 2015 - 2023)

acc_sem_año <- Acci_Barranquilla %>% select(ano_accidente, dia_accidente) %>% 
  group_by(ano_accidente, dia_accidente) %>% 
  summarise( cantidad = n())
#ordenar los dias de la semana
acc_sem_año$dia_accidente <- factor(acc_sem_año$dia_accidente, levels = c("Lunes","Martes","Miercoles","Jueves","Viernes","Sabado","Domingo")) 

acc_sem_año_g <- ggplot(acc_sem_año, aes(x = ano_accidente, y = cantidad , color = dia_accidente))+
  geom_line()+
  geom_point()+
  theme_ipsum()+
  ylab("")+
  xlab("Año")
  #facet_wrap(~dia_accidente, scale="free_y")

ggplotly(acc_sem_año_g) 
# grafica montada
acc_sem_año_g2 <- ggplot(acc_sem_año, aes(x = ano_accidente, y = cantidad , fill = dia_accidente, text = dia_accidente))+
  geom_area()+
  theme_ipsum()
  #facet_wrap(~dia_accidente, scale="free_y")

ggplotly(acc_sem_año_g2, tooltip="text")